一年前，DeepSeek R1 横空出世，人们才意识到，真正让模型产生推理能力质变的，不必是更大的预训练规模 —— 后训练，用强化学习、过程奖励、闭环反馈，以极低的代价解锁了原本需要数倍算力才能触达的能力边界。
今日，据外媒The Information报道，DeepSeek正首次寻求外部融资，目标估值超过100亿美元（约合人民币681.8亿元）。据多位知情人士透露，DeepSeek已开始与投资人接触，计划融资至少3亿美元（约合人民币20.5亿元），以补充资金储备，应对AI大模型研发日益高昂的成本竞争。
上周 Anthropic 发布 Mythos Preview 的时候，安全圈的反应可以用一个词概括：震惊。
刚刚，图灵联合创始人刘江在海外社交媒体X上透露，DeepSeek核心研究院——郭达雅已加入字节跳动。 郭达雅2023年博士毕业后加入DeepSeek，title是AI Researcher。公开论文显示，从 DeepSeek-Coder、DeepSeek-Math、DeepSeek-Prover、DeepSeek-V3到 DeepSeek-R1，他都出现在核心作者名单中。
月薪30K，去草原给DeepSeek运维机房。
我每次翻《天龙八部》，翻到少林寺藏经阁那一段，都要停下来。
不更是不更，一更就是个大动作，DeepSeek V4可能真的要来了！
就在大家都急头白脸地等待DeepSeek-V4的时候，冷不丁一篇新论文引起了网友们的注意—— 提出新稀疏注意力机制HISA（分层索引稀疏注意力），突破64K上下文的索引瓶颈，相比DeepSeek正在用的DSA（DeepSeek Sparse Attention）提速2-4倍。
第一篇论文来自字节SEED团队， 打了一些基础； 《Over-Tokenized Transformer》。 论文标题看上去在讨论“过度分词”。 而重点必然是在第二篇上—— DeepSeek公司的学术成果Engram。 《Conditional Memory via Scalable Lookup》 也就是Engram模块所出处的论文。
ICLR论文STEM架构率先提出「查表式记忆」架构，早于DeepSeek Engram三个月。它将Transformer的FFN从动态计算改为静态查表，用token索引的embedding表直接读取记忆，彻底解耦记忆容量与计算开销。
